許多工業(yè)工廠(chǎng)依靠電機來(lái)執行生產(chǎn)過(guò)程。由于結構松動(dòng)、軸承損壞、角度和線(xiàn)性不對準、腐蝕、共振和負載不平衡等影響,電機容易發(fā)生故障。
任何這些都可能導致長(cháng)時(shí)間的機器停機。防止此類(lèi)故障一直是制造業(yè)企業(yè)面臨的長(cháng)期挑戰,因為他們尋求最大限度地降低成本并提高生產(chǎn)率。
基于計劃的維護策略可以通過(guò)在預定的時(shí)間間隔內調整和更換零件和子系統來(lái)實(shí)現這些目標。不幸的是,基于計劃的維護可能會(huì )導致不必要的維護。而狀態(tài)維修則是根據設備的實(shí)際情況調整維修方案,提高效率和可靠性。
用于預測性維護的傳感器
預測性維護(PdM)可以提供進(jìn)一步的改進(jìn)。使用最新的高精度慣性傳感器和具有短距離或長(cháng)距離無(wú)線(xiàn)連接的低功耗、高性能邊緣AI設備,可以連續實(shí)時(shí)收集和分析關(guān)鍵機器數據(圖1)。
圖1
.聯(lián)合收割機結合振動(dòng)和MEMS溫度傳感器、電源管理、安全元件和運行機器學(xué)習庫的STM 32 MCU,無(wú)需占用太多空間或功耗,即可監控設備和檢測故障。
在這種情況下,人工智能提供了幾個(gè)優(yōu)勢,可以實(shí)現實(shí)時(shí)和分布式數據分析,并在問(wèn)題升級之前識別潛在問(wèn)題。這種積極主動(dòng)的方法可以最大限度地減少停機時(shí)間,降低維護成本,并通過(guò)在需要時(shí)精確解決問(wèn)題來(lái)延長(cháng)機器的使用壽命,從而優(yōu)化整體運營(yíng)效率。
為了監控這些機器,來(lái)自運動(dòng)傳感器(加速度計,陀螺儀)的數據,通過(guò)不同的算法處理,可以在生產(chǎn)過(guò)程中連續分析電機的振動(dòng)狀態(tài)。nbsp;
利用機器學(xué)習進(jìn)行預測性維護
預測性維護的主要支柱是狀態(tài)監測。使用數字3軸微機電系統(MEMS)傳感器的經(jīng)典狀態(tài)監測方法依賴(lài)于作為控制單元操作的微控制器(MCU)來(lái)驅動(dòng)電源管理,執行數據記錄功能,然后使用常規時(shí)域和頻域分析來(lái)處理數據。
當機器正常運行時(shí),監測到的振動(dòng)與標準分析模型密切相關(guān)。為了預測任何傾向于故障的漂移,PdM實(shí)施必須通過(guò)將振動(dòng)數據與預定義的閾值進(jìn)行比較來(lái)評估設備狀態(tài)。
這種經(jīng)典的方法具有局限性,因為它需要深入的系統機械和數學(xué)模型以及編程知識來(lái)構建算法和規則。此外,分析模型、算法和閾值具有有限的靈活性。如果資源或工作條件發(fā)生變化,就必須重寫(xiě)規則。
在基于人工智能的方法中,神經(jīng)網(wǎng)絡(luò )模型和機器學(xué)習算法允許系統從數據中不斷學(xué)習,并相應地改進(jìn)其模型。當設備條件發(fā)生變化時(shí),預測模型的準確性和性能可以得到提高,而無(wú)需調整算法或理解工藝規則。
參考設計套件
在這篇文章中,我們提出了一個(gè)系統解決方案的基礎上STEVAL-PROTEUS 1參考設計套件,一個(gè)工業(yè)無(wú)線(xiàn)傳感器節點(diǎn),具有緊湊的外形。該設計套件集成了MEMS傳感器、藍牙連接和嵌入式AI庫,可檢測被監控設備中的異常并對故障進(jìn)行分類(lèi)。它通過(guò)USB電纜將結果發(fā)送到PC終端控制臺,或無(wú)線(xiàn)發(fā)送到相關(guān)的移動(dòng)的應用程序STBLESensor。此應用程序以圖形方式顯示結果,并與云共享數據(圖2)。
圖2
.用于預測性維護的設備監控
挑戰在于使用n分類(lèi)機器學(xué)習模型早期檢測通常較晚檢測到的機械漂移。我們的目標是識別和分類(lèi)插入線(xiàn)性錯位增量大小,與“幾十毫米級”的精度。
參考設計架構
STEVAL—PROTEUS1套件是一款專(zhuān)為工業(yè)應用中的溫度和振動(dòng)監測而設計的評估工具。主板(STEVAL—PROTEUS,圖3)包括一個(gè)經(jīng)過(guò)認證的無(wú)線(xiàn)電模塊、用于振動(dòng)監測的工業(yè)MEMS慣性傳感器組合、一個(gè)高精度溫度傳感器、電源管理和保護電路以及用于代碼和數據存儲的2 Gb閃存。
該板還提供STSAFE-A110安全元件,可為本地或遠程主機提供身份驗證和安全數據管理服務(wù)。所有組件都專(zhuān)門(mén)安裝在PCB的頂側,以方便直接連接。
無(wú)線(xiàn)模塊STM32 WB 5 MMG具有超低功耗的小尺寸和STM32 WB 55 VGY無(wú)線(xiàn)SoC。該SoC包含一個(gè)2.4 GHz集成RF部分,其中Arm Cortex-M4內核用于應用處理,Cortex-M0+用于管理無(wú)線(xiàn)電層。M0+可以托管藍牙低功耗(BLE)5、802.15.4、Zigbee 3.0、Thread或專(zhuān)有軟件等堆棧。
圖3
. STEVAL-PROTEUS董事會(huì )
為了加快應用程序開(kāi)發(fā),該套件附帶了一個(gè)用于異常檢測和分類(lèi)的固件包,可在Cortex-M4上運行。使用來(lái)自慣性傳感器的原始數據,AI算法可以提供任何問(wèn)題的早期警告,例如不平衡或磨損。nbsp;
嵌入式AI是一個(gè)由NanoEdge AI Studio軟件工具生成的機器學(xué)習庫。它從STEVAL-PROTEUS板上的傳感器輸出生成的特定數據集開(kāi)始。NanoEdge AI Studio軟件提取所需用例的機器學(xué)習庫-例如異常檢測或分類(lèi)-將集成到傳感器節點(diǎn)上的MCU中。nbsp;
為了遠程感知機器狀態(tài),當檢測到異常時(shí)發(fā)出指示,節點(diǎn)使用藍牙連接到STBLESensor應用程序。該應用程序允許用戶(hù)設置傳感器和庫參數,控制學(xué)習和檢測模式,并監控設備故障狀態(tài)。
信號處理和ML模型生成
通常,傳感器以原始形式提供數據,這不適合傳統的預測性維護應用。在傳統算法或基于ML的算法開(kāi)始操作數據之前,必須使用過(guò)濾、整形和其他預處理方法。為了最佳地設計預處理和處理鏈,設計人員必須了解信號的特性。
STEVAL-PROTEUS節點(diǎn)可以從機載慣性傳感器獲取振動(dòng)數據,并使用STM32 WB MCU直接在邊緣處理數據。nbsp;
在狀態(tài)監測中,傳感器信號是沿沿著(zhù)x—y—z軸的加速度樣本的集合。圖4顯示了在時(shí)域和頻域中表示的與正常機器條件對應的振動(dòng)。
圖4
.原始和轉換的傳感器信號。單擊放大圖像
樣本存儲在應用程序固件中實(shí)現的循環(huán)數據緩沖區中。圖5總結了數據生產(chǎn)、處理和發(fā)送結果的邏輯流程。
圖5
. STEVAL-PROTEUS傳感、處理和通信
在這個(gè)例子中,NanoEdgeAI(NEAI)Studio生成了一個(gè)包含預處理塊和ML模型的庫。該工具包含自動(dòng)化機器學(xué)習軟件,讓嵌入式開(kāi)發(fā)人員無(wú)需廣泛的機器學(xué)習或數據科學(xué)知識即可開(kāi)始使用。它可以生成一個(gè)預編譯的C庫,可以集成到STM32 MCU中。通過(guò)遵循圖6所示的工作流程,用戶(hù)可以使用NanoEdge AI Studio獲得可靠的庫。
圖6
. NanoEdge AI Studio工作流程
本示例的目的是將電機軸不對準分為四個(gè)嚴重性類(lèi)別。第一步是定義四個(gè)類(lèi)。然后,您將使用高速數據記錄固件獲取加速度計數據,以生成每個(gè)類(lèi)的數據集。
STEVAL-PROTEUS板上的ISM 330 DHCX加速度計配置為標稱(chēng)輸出數據速率為833 Hz,滿(mǎn)量程為2 g。幾個(gè)預采集周期有助于識別電機速度的這些參數,以確保正確的采樣頻率和x-y-z軸上的最大加速度值。nbsp;
注入條件定義數據集:
無(wú)未對準或標稱(chēng)條件
0.20 mm錯位
0.40 mm錯位
0.60 mm錯位
然后,您需要創(chuàng )建一個(gè)N類(lèi)分類(lèi)NEAI項目,并將STEVAL-PROTEUS 1作為目標。然后可以導入這四個(gè)數據集,基準測試可以根據幾個(gè)性能指標和內存占用來(lái)確定最佳模型。nbsp;
數據集包括423條線(xiàn)或信號,每個(gè)信號包含128 × 3個(gè)樣本。(Note一個(gè)樣本包括對應于在三個(gè)軸上測量的加速度的三個(gè)值)。循環(huán)緩沖區的大小取決于信號的大?。杭疵總€(gè)項目128 × 3個(gè)樣本。
在基準測試過(guò)程中,NanoEdge AI Studio會(huì )訓練、交叉驗證和測試候選庫。它為每個(gè)候選人分配一個(gè)分數,并在基準測試完成時(shí)提供一個(gè)排名。圖7顯示了與從排名中選擇的模型相對應的基準圖。
圖7
. NEAI模型的基準測試
在這個(gè)例子中,基準測試需要23分鐘。選擇的SEFR(可擴展、高效和快速分類(lèi))模型使用約3 KB的RAM和4 KB的閃存。換句話(huà)說(shuō),NEAI處理占用了6.4%的RAM和0.5%的STEVAL-PROTEUS板載閃存。(Note:這些百分比的計算考慮了使用FUS v1.2.0.0和BLE全棧v1.13.0.5的用戶(hù)應用程序的可用RAM和閃存,)
NanoEdge AI Studio提供了幾個(gè)性能指標來(lái)評估模型性能,如圖8所示。在這些指標中,平衡精度是數據集平衡的多類(lèi)分類(lèi)問(wèn)題中最重要的值之一。在多類(lèi)分類(lèi)問(wèn)題中,如果每個(gè)類(lèi)包含相同數量的樣本,則數據集是平衡的。
圖8
.模型性能指標
信號處理鏈包括傳統信號處理功能和SEFR多類(lèi)分類(lèi)器機器學(xué)習算法的組合,以識別四個(gè)級別的未對準(圖9)。
圖9
.用AI增強信號處理鏈。單擊放大圖像
接下來(lái),軟件功能包(FP-AI-PDMWBSOC)有助于加速MCU(STM32 WB)上的ML模型部署。該軟件包專(zhuān)為STEVAL-PROTEUS 1開(kāi)發(fā),將NEAI庫集成在一個(gè)適合管理不同類(lèi)型傳感器和連接的環(huán)境中。
在傳感器管理器模塊中,多個(gè)傳感器線(xiàn)程處理傳感器初始化、配置和數據生成。數據構建器可以從傳感器任務(wù)中獲取少量數據,并對其進(jìn)行操作以填充循環(huán)緩沖區。稍后,當一個(gè)項目準備就緒時(shí),NEAI線(xiàn)程處理數據。
這使得數據能夠通過(guò)如前所述的處理鏈。STEVAL-PROTEUS節點(diǎn)通過(guò)藍牙連接到客戶(hù)端設備(如智能手機)共享結果(減少到幾個(gè)字節)。
系統設置和結果
故障分類(lèi)解決方案可以使用伊勢開(kāi)發(fā)的OneX工具等專(zhuān)業(yè)測試臺進(jìn)行驗證。這可以模擬電機最常見(jiàn)的故障,例如軸不對中、不平衡負載、結構松動(dòng)和軸承損壞。
測試臺包含一個(gè)電機和驅動(dòng)器,帶有機械聯(lián)軸器和軸,模擬不平衡的配重盤(pán)和三個(gè)軸承。軸承箱允許應用受控的未對準或安裝損壞的軸承,以進(jìn)行分析。nbsp;
圖10
.使用OneX工具進(jìn)行測試設置
如圖10所示,我們將STEVAL-PROTEUS節點(diǎn)連接到第二個(gè)關(guān)節面上。馬達速度設定為3000 rpm。然后,測試逐漸引入更大的軸承軸不對準,保持其他實(shí)驗參數相同。PROTEUS節點(diǎn)在所有四個(gè)類(lèi)別中正確識別出未對準,并將結果傳達給智能手機應用程序。
圖11
.結果顯示在移動(dòng)的應用程序上。
如圖11所示,移動(dòng)的應用程序顯示與所識別的條件相對應的數字。該應用程序還負責與云共享結果。
使用相同的程序應用其他電機故障以生成適當的ML庫的進(jìn)一步測試表明,使用PROTEUS節點(diǎn)進(jìn)行推理也可以正確識別正常和不平衡負載、機械松動(dòng)和軸承故障。
設備故障的早期檢測
通過(guò)人工智能(AIoT)增強的物聯(lián)網(wǎng)傳感器節點(diǎn)通過(guò)支持早期檢測工業(yè)設備行為中的漂移來(lái)提高預測性維護應用的有效性。
傳感器豐富的STEVAL-PROTEUS節點(diǎn)與使用NanoEdge AI Studio開(kāi)發(fā)的推理應用程序相結合,可以檢測異常振動(dòng)并根據嚴重程度正確識別未對準的幅度。
該傳感器和應用程序可以量化十分之一毫米量級的軸不對中,或小于1克的不平衡。此外,該節點(diǎn)的藍牙連接通過(guò)在系統解決方案中包含藍牙低功耗網(wǎng)關(guān),實(shí)現工廠(chǎng)內外的遠程監控。
審核編輯 黃宇
-
節點(diǎn)
+關(guān)注
關(guān)注
0文章
210瀏覽量
24159 -
AI
+關(guān)注
關(guān)注
87文章
27203瀏覽量
264961 -
PDM
+關(guān)注
關(guān)注
2文章
76瀏覽量
17757 -
振動(dòng)傳感器
+關(guān)注
關(guān)注
2文章
311瀏覽量
19650
發(fā)布評論請先 登錄
相關(guān)推薦
評論